随着移动互联网和智能移动终端的蓬勃发展,出现了分辨率多种多样的显示设备,需要有一种图像尺寸变换方法将图像适配于各种分辨率和纵横比之上。由于传统的尺寸变换方法如直接缩放算法和裁剪算法的结果经常出现变形失真或丢失重要信息,人们提出了许多基于图像内容的图像尺寸变换方法。现今的图像尺寸变换方法有着自己适用的图像类型,因而迫切需求一种准确的图像尺寸变换质量评价方法,以便自动选择质量最好的变换结果。本文对图像尺寸变换方法的结果评价进行了研究,提出了一种新的图像显著性区域检测方法和基于视觉显著性的图像尺寸变换质量评价方法。我们的方法有着如下的创新:1.本文在基于传统分类模型的神经卷积网络的基础上,设计了一套基于深度神经网络和传统对比度特征进行结合的图像显著性检测方法。此方法在网络设计时,充分利用中间网络层的输出结果,并结合传统对比度特征形成互补,最终利用图像分割处理手段进一步优化显著性边缘信息。此方法在通用的SOD、HKU-IS和iCoSeg数据库上进行了实验测试,最终的实验结果表明,本文提出的深度卷积神经网络和传统对比度特征结合的方法,相比传统方法,在准确率、召回率、F-measure和MAE等指标上,都有明显的提升。2.本文提出了一种新颖的图像尺寸变换质量评价方法,基于图像视觉显著性检测的结果,衡量变换方法所得到的图像的整体形变、局部形变和细节丢失的程度,获得变换图像的质量评价。该方法在广泛使用的RetargetMe数据库和CUHK数据库上进行实验测试,最终的实验结果表明,本文提出的基于视觉显著性的图像尺寸变换评价方法,在肯德尔系数均值、肯德尔系数标准差等指标上,都比现有的最好方法有着显著的提高。